05. Project Delivery and Decision | 项目交付与决策
页面目标
这一页回答的是：SFT 微调完成后，哪些产物必须保留，什么样的结果才值得交付和采用。
你要先确认什么
- adapter 是否可保存、可复现。
- tokenizer 和 config 是否和训练时一致。
- 项目报告是否说明了数据、训练和评估口径。
- 结果是否足以支撑采用决策。
演化路径
项目交付不只是“训完了”，而是要把实验结果整理成可复现的资产。
- 保存 adapter 和必要配置。
- 保存 tokenizer 和数据处理口径。
- 保存 train / val 结果和代表性样例。
- 写清楚采用或不采用的理由。
- 如果后续要扩展，再把结论接回进阶占位。
这一页是 SFT 闭环的最后一环。 没有它，前面训练得再完整，也很难形成真正的项目结论。
60 的实验步骤
完整代码和参数说明见 60 LoRA Fine-Tuning Project。执行时按以下顺序建立证据：
- 固定真实模型、数据集版本、
SPLIT_SEED、验证集比例、dtype、seq_len和训练步数。 - 先运行同口径 full-parameter baseline，再运行 LoRA candidate；两者使用同一批数据和同一评测集。
- 记录可训练参数量、峰值显存、step time、token 吞吐、train/validation loss 和生成样例。
- 保存 adapter、tokenizer、训练配置、数据审计和 JSON 报告；需要多次运行时只改变
REAL_SEED。 - 先判断质量是否达标，再综合资源收益输出
accept / tune / reject。
当前 60 的三组固定切分实验显示 LoRA 资源收益稳定，但尚未加入 task-level 生成质量指标，因此仍应标记为 tune，不能只凭 loss 下降宣布采用。
项目分流
完成 13 End-to-End Fine-Tuning Experiment 后，不同项目应按问题分流，而不是全部同时运行：
| 项目 | 适合什么时候进入 | 主要产出 |
|---|---|---|
| 60 LoRA Fine-Tuning | 第一个完整 LoRA 交付 | adapter、tokenizer、config、评测和采用决策 |
| 62 Instruction Fine-Tuning | 任务格式和 instruction 数据需要单独验证 | 指令格式、训练结果和任务样例 |
| 63 LoRA Variants Benchmark | 已有稳定 baseline，需要比较 adapter 方案 | 统一规格、质量、参数效率和资源对比 |
| 64 SFT Data Quality | loss 或样例异常，怀疑数据质量 | 数据审计、清洗规则和质量报告 |
| 65 QLoRA Selection | 单卡显存不足或需要低比特训练 | 量化配置、显存、吞吐、质量和选型决策 |
核心路径先完成 60；只有当问题与任务格式、LoRA 变体、数据质量或显存预算相关时，再进入对应扩展项目。扩展项目的结论必须回填到统一的 baseline / candidate / quality / resource / decision 报告中。
与 13 和其他项目的统一协议
13 End-to-End Fine-Tuning Experiment 是训练基线，不是项目交付的替代品：它证明训练循环、loss、验证集和最小端到端流程能够工作。60–65 在这个基线上按问题分流，分别比较 LoRA 交付、结构、指令格式、数据质量、LoRA 变体和 QLoRA 预算。最后回到本页检查 artifact、复现条件和采用理由。
所有 60–65 项目使用同一个外层报告结构：
config / baseline / candidates
quality / resources / artifacts
decision / environment公共结构由 fine_tuning_result_schema.py 维护；项目可以增加自己的扩展字段，但不能省略比较基线、质量证据、资源证据和决策原因。详细执行步骤见训练微调项目验证清单。
这与 66–70、73–76 的做法一致：统一的是结果接口和证据边界，不是把 TTFT、KV Cache 等推理指标套到训练微调项目上。
常见误区
- 只保存权重，不保存 tokenizer 和 config。
- 报告里没有说明数据和 loss 口径。
- 只给出 loss 曲线，没有样例和结论。
- 结果能复现，但无法解释为什么值得采用。
经典阅读入口
- 60 LoRA Fine-Tuning Project
- 26 QLoRA and 4bit Quantization
- 13 End-to-End Fine-Tuning Experiment
- 62 Instruction Fine-Tuning Project
- 63 LoRA Variants Benchmark
- 64 SFT Data Quality Project
- 65 QLoRA Selection Project
前置关系
- 先看
04，确认实验已经闭环。 - 再看
05，把实验变成交付决策。
项目结论
项目交付不是训练的附属步骤，而是闭环的一部分。 只有能交付、能复现、能解释的结果，才算真正完成 SFT。